AI 및 기술

무슨 일이 있었나

AWS Machine Learning 게시물에 따르면 GoDaddy는 2년에 걸친 전환의 일환으로 기존 비즈니스 인텔리전스 도구를 Amazon Quick으로 교체했습니다.

이 마이그레이션은 비즈니스 전반에 영향을 미쳤습니다. 대시보드 수는 절반으로 줄었고, 렌더링 시간은 5초 미만으로 단축되었으며, AI 기반 셀프 서비스 분석이 모든 직원에게 제공되었습니다.

이 노력으로 연간 15,000시간을 절약하게 되었습니다.

왜 중요한가

절감 규모는 레거시 BI 도구에서 벗어날 때 상당한 운영 효율성을 확보할 수 있음을 시사합니다. 특히 AI 기반 셀프 서비스 분석이 모든 직원에게 제공될 때 더욱 그렇습니다.

대시보드 수가 줄고 렌더링 시간이 빨라지면 데이터 기반 의사 결정의 마찰도 줄어들어 팀이 더 신속하게 답을 얻는 데 도움이 될 수 있습니다.

주요 사실

GoDaddy는 레거시 비즈니스 인텔리전스 도구에서 Amazon Quick으로 마이그레이션했습니다.

전환에는 2년이 걸렸습니다.

GoDaddy는 연간 15,000시간을 절약합니다.

대시보드 수는 50% 감소했습니다.

렌더링 시간은 이제 5초 미만입니다.

AI 기반 셀프 서비스 분석은 모든 직원이 이용할 수 있습니다.

다음에 주목할 점

셀프 서비스 도구가 일상 업무에 자리 잡으면서 GoDaddy가 AI 기반 분석 사용을 계속 확대할지, 아니면 추가 효율성 향상을 보고할지 주목해 볼 만합니다.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS Machine Learning에 따르면, Natera는 Amazon Bedrock AgentCore에 자동 음성 에이전트를 구축했으며, 이를 통해 환자는 자연스러운 대화로 이동식 채혈 예약을 할 수 있다.

게시된 포스트에 따르면, 이 구현은 이중 WebSocket 브리지, 이벤트 기반 지연 시간 마스킹, 점진적 신뢰 인증에 의존한다.

중요한 이유

이 접근 방식은 생성형 AI 에이전트가 안정적인 도구 실행과 낮은 지연 시간 상호 작용을 요구하는 실제 전화 워크플로우를 처리할 수 있음을 보여준다.

예약을 자동화함으로써, Natera는 대화형 경험을 유지하면서 환자 대면 운영 작업에 음성 에이전트를 사용하는 더 넓은 패턴을 제시한다.

주요 사실

음성 에이전트는 Amazon Bedrock AgentCore에서 실행된다.

환자는 자연스러운 대화를 통해 이동식 채혈 예약을 할 수 있다.

이 시스템은 100% 도구 호출 정확도와 7초 미만의 지연 시간을 달성하는 것으로 보고된다.

기술적 기반에는 이중 WebSocket 브리지, 이벤트 기반 지연 시간 마스킹, 점진적 신뢰 인증이 포함된다.

다음에 주목할 점

Natera가 이 음성 에이전트 아키텍처를 다른 예약 유형이나 지역으로 어떻게 확장할 것인지.

지연 시간과 정확도 벤치마크가 다양한 실제 통화 부하와 대화 패턴에서 유지되는지 여부.

출처

• AWS Machine Learning

어떤 변화가 있었나

Amazon SageMaker Python SDK v3는 스크립트 모드를 재설계하여, 모델을 훈련하고 구축하는 방식을 간소화하는 두 개의 통합 클래스인 ModelTrainer와 ModelBuilder를 도입했습니다.

이 게시물은 scikit-learn Random Forest 모델과 LoRA를 사용한 Stable Diffusion 3.5의 멀티 GPU 파인튜닝이라는 두 가지 엔드투엔드 예제를 통해 워크플로를 보여줍니다.

새로운 SourceCode 메커니즘은 로컬 코드를 런타임에 모든 컨테이너로 동기화하여 개발자들이 Docker 이미지를 다시 빌드하지 않고도 반복 작업을 할 수 있게 해줍니다.

왜 중요한가

모델 훈련 및 구축 클래스를 통합함으로써 개발자들은 이전에 별도의 API와 구성을 관리해야 했던 불편함이 줄어듭니다.

코드를 런타임에 컨테이너로 직접 동기화하면 실험의 주요 병목 현상이 제거되어 팀이 더 빠르게 변경 사항을 테스트하고 인프라 오버헤드를 줄일 수 있습니다.

멀티 GPU LoRA 파인튜닝과 같은 대규모 예제가 포함된 것은 SDK v3가 현대적이고 리소스 집약적인 워크로드에 맞춰 자리 잡고 있음을 보여줍니다.

주요 사실

SageMaker Python SDK v3는 스크립트 모드를 재설계합니다.

이 재설계는 통합된 ModelTrainer 및 ModelBuilder 클래스를 도입합니다.

SourceCode는 런타임에 로컬 코드를 모든 컨테이너로 동기화합니다.

이 게시물은 scikit-learn Random Forest와 멀티 GPU Stable Diffusion 3.5 LoRA 파인튜닝을 다룹니다.

다음에 주목할 점

이 통합 클래스들이 모든 SageMaker 훈련 워크플로의 기본 경로가 될지 여부.

런타임 코드 동기화 기능이 더 복잡하고 프로덕션급 배포 시나리오를 지원하도록 어떻게 발전할지.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS Machine Learning이 지도 미세 조정을 위한 데이터 준비에 관한 2부작 시리즈의 두 번째 게시물을 게시했습니다.

이 게시물은 고급 접근 방식을 다룹니다: 학습 곡선을 사용한 데이터 준비 상태 평가, 고가치 데이터 하위 집합 선택, 합성 및 증류된 예시로 데이터 증강, 파괴적 망각에 대응하기 위한 데이터 소스 혼합입니다.

왜 중요한가

데이터 준비 선택은 미세 조정된 모델의 성능에 큰 영향을 미칠 수 있으므로, 이러한 고급 전략은 학습 파이프라인을 개선하는 팀에게 유용합니다.

합성 데이터와 데이터 혼합은 레이블이 지정된 데이터의 한계를 극복하고 모델이 이전에 학습한 능력을 잃을 위험을 줄이는 실용적인 방법을 제공합니다.

핵심 사실

이 글은 지도 미세 조정 데이터 준비에 관한 2부작 시리즈의 두 번째 부분입니다.

이 게시물은 학습 곡선을 사용한 데이터 준비 상태 평가를 다룹니다.

또한 고가치 데이터 하위 집합 선택, 합성 및 증류된 예시를 통한 데이터 증강, 파괴적 망각을 방지하기 위한 데이터 소스 혼합도 다룹니다.

다음에 주목할 점

독자들은 학습 곡선을 적용하여 학습 데이터가 충분한 시점을 판단하는 방법에 대한 지침을 기대할 수 있습니다.

합성, 증류 및 혼합 데이터 소스의 사용은 미세 조정 워크플로우에서 더 일반적인 부분이 될 수 있습니다.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS Machine Learning이 지도 파인튜닝에 관한 2부작 시리즈의 첫 번째 편을 게시했으며, 전적으로 데이터 준비에 초점을 맞췄다. 이 게시물은 데이터가 준비되는 방식이 모든 SFT 프로젝트의 품질 상한선을 결정한다고 주장한다. 즉, 아무리 강력한 모델이라도 제대로 구조화되지 않은 훈련 데이터의 한계를 극복할 수 없다는 뜻이다.

이 기사는 SFT 데이터 준비의 핵심 기반을 설명한다: 품질 검사 실행, 대화를 JSONL로 포맷팅, 추론 및 도구 호출 작업을 위한 스키마 정의, 훈련 세트와 평가 세트 간의 대표성 있는 분할 생성.

왜 중요한가

지도 파인튜닝에서 모델은 오직 데이터가 가르쳐주는 것만 배울 수 있다. 포맷이 일관되지 않거나 품질이 낮으면, 기본 모델의 성능과 관계없이 최종 모델은 그러한 결함을 물려받게 된다.

추론 및 도구 호출 스키마에 대한 명시적 초점은 파인튜닝이 더 이상 단순한 채팅 응답에만 국한되지 않고, 모델이 구조화된 다단계 작업을 안정적으로 수행할 수 있게 하는 데 있음을 시사한다.

주요 사실

이 게시물은 지도 파인튜닝 데이터 준비에 관한 2부작 시리즈의 첫 번째 부분이다.

여기에는 품질 검사, 대화형 JSONL 포맷팅, 추론 및 도구 호출 스키마, 대표성 있는 훈련/평가 분할이 포함된다.

AWS Machine Learning은 2026년 8월 26일에 이 기사를 게시했다.

다음에 주목할 점

시리즈의 두 번째 부분은 데이터 준비 논의를 계속할 것으로 예상되며, 아마도 기초 포맷팅을 넘어 더 고급 준비 기법이나 다운스트림 평가 고려 사항으로 나아갈 것이다.

출처

• AWS Machine Learning

무슨 일이 있었나

우버는, 서비스를 제공하는 도시들과 마찬가지로, 끊임없이 성장하고 변화하고 있습니다. 이는 네트워크 트래픽이 혼잡을 피하도록 신중하게 관리되어야 함을 의미합니다. 우버는 플랫폼 전반에서 애플리케이션 트래픽이 원활하게 흐르도록 기술 전략을 지속적으로 발전시켜 왔습니다.

이러한 노력의 핵심 부분은 하이브리드 네트워크 전반에서 애플리케이션 트래픽의 우선순위를 지정하기 위한 업계 최초의 도구인 Cloud Interconnect의 애플리케이션 인지 기능입니다. 우버는 초기 파트너로서 이 도구의 설계에 참여했으며, DSCP 마킹과 구성된 큐잉 프로필을 사용하여 중요 최종 사용자 트래픽을 덜 시간에 민감한 데이터보다 분류하고 우선순위를 지정합니다.

이 도구는 트래픽 처리, 혼잡 대응, 지연 시간 관리, 비용 효율성이라는 네 가지 주요 기능을 제공합니다. 트래픽은 6개의 개별 클래스로 분류되며, 비즈니스에 중요한 데이터는 엄격한 우선순위 또는 대역폭 공유 정책을 통해 보호됩니다. 우버는 비공개 미리 보기 기간 동안 애리조나주 피닉스와 버지니아주 애슈번의 Google Cloud Interconnect 위치부터 배포하기 시작했습니다.

왜 중요한가

우버와 같은 글로벌 규모의 조직에게 분산 및 하이브리드 애플리케이션의 마이그레이션은 서비스를 중단시킨다면 위험합니다. 애플리케이션 인지 기능을 통해 우버는 대규모 분석 워크로드와 새로운 AI 사용 사례를 포함한 방대한 양의 데이터를 네트워크를 혼잡하게 하거나 비즈니스에 중요한 애플리케이션 성능을 저하시키지 않으면서 이동할 수 있습니다.

기존의 과잉 프로비저닝 방식은 모든 트래픽을 동등하게 취급하며 버스트 중에 높은 우선순위 데이터를 버릴 수 있어 우버의 규모에서는 비용이 많이 들고 신뢰할 수 없습니다. 애플리케이션 인지는 예측 가능한 낮은 지연 시간을 제공하고 중요 트래픽을 보호하므로, 우버는 서비스 중단 위험을 줄이면서 Google Cloud 마이그레이션을 진행할 자신감을 얻습니다.

주요 사실

우버는 Cloud Interconnect의 애플리케이션 인지 기능에 대한 초기 설계 파트너로 활동했습니다.

이 도구는 트래픽을 6개의 개별 클래스로 분류하며 DSCP 마킹과 구성된 큐잉 프로필을 사용합니다.

우버는 애리조나주 피닉스와 버지니아주 애슈번의 Google Cloud Interconnect부터 이 기능을 배포했습니다.

애플리케이션 인지 기능은 우버가 네트워크 혼잡 상황 중 중요 트래픽의 우선순위를 지정하고 신뢰성 위험을 줄이는 데 도움이 되었습니다.

다음으로 주목할 점

우버와 유사한 하이브리드 및 멀티클라우드 마이그레이션 문제에 직면한 다른 조직들도 비용이 많이 드는 과잉 프로비저닝 없이 중요 트래픽을 보호하기 위해 Cloud Interconnect의 애플리케이션 인지 기능을 채택할 수 있습니다.

AI 워크로드가 증가하고 데이터 전송 요구가 커짐에 따라 네트워크 혼잡을 지능적으로 관리하는 도구가 서비스 신뢰성을 유지하는 데 필수적이 될 수 있습니다.

출처

• Google Cloud

무슨 일이 있었나

Google Cloud가 클라우드 환경에서 장애 테스트를 자동화하도록 개발자와 아키텍트를 돕기 위한 서비스인 Fault Injection Testing의 미리보기를 발표했다.

이 미리보기 버전에서 서비스는 두 가지 주요 장애 시나리오를 지원한다: 고가용성 Cloud SQL 인스턴스의 장애 조치(failover) 트리거, 그리고 Layer 7 로드 밸런서를 통해 지연 시간(latency)과 HTTP 오류 코드를 추가하여 애플리케이션 트래픽을 저하시키는 것이다.

Fault Injection Testing에는 주입 전 자동 드라이 런(dry run)이 포함되며, 수동 시작을 허용하고, 실험을 중지하고 리소스를 복원하는 중지 및 되돌리기 기능을 제공한다.

왜 중요한가

현대의 분산 시스템은 복잡하여 고가용성을 보장하기가 점점 더 어려워지고 있으며, 특히 클라우드 환경에서는 기본 인프라에 대한 직접적인 접근이 제한적이다.

네이티브 복원력 테스트 도구가 없으면 조직은 고객 신뢰 손상, 컴플라이언스 및 규제 벌금, 대규모 마이그레이션 지연과 같은 위험에 직면한다.

실제 장애가 발생하기 전에 장애 실험을 실행하면 안전 메커니즘이 의도대로 작동하는지, 그리고 중요 업무 서비스가 악조건 상황에서도 계속 온라인 상태를 유지하는지 검증하는 데 도움이 된다.

주요 사실

Fault Injection Testing은 Google Cloud 콘솔, gcloud CLI, REST API를 통해 미리보기로 제공된다.

이 서비스는 장애가 주입되기 전에 권한을 확인하고 영향을 받는 리소스를 나열하기 위해 읽기 전용 드라이 런을 수행한다.

KeyBank 및 Servier와 같은 파트너는 이미 자사 배포를 검증하기 위해 Fault Injection Testing을 사용하고 있다.

Google Cloud는 미리보기 기간 동안 프로덕션 환경이 아닌 환경에서 Fault Injection Testing을 사용할 것을 권장한다.

다음에 주목할 점

조직은 Google Cloud 계정 팀을 통해 미리보기 액세스를 요청하고, Fault Testing API를 활성화하고, 실험을 실행하기 위해 roles/faulttesting.operator 역할을 할당할 수 있다.

미리보기 기간 동안 얼리 사용자는 제품을 개선하는 데 도움이 되는 피드백을 제공할 수 있으며, Google Cloud는 지원되는 장애 시나리오를 Cloud SQL 장애 조치 및 로드 밸런서 트래픽 저하 이외로 확장할 수 있다.

출처

• Google Cloud

무슨 일이 있었나

AWS는 Amazon Bedrock AgentCore를 사용하여 한 AWS 계정의 에이전트가 다른 계정의 Amazon Bedrock 지식 기반에서 답변을 생성할 수 있도록 하는 지침을 발표했습니다.

지식 기반은 Amazon Redshift Serverless를 기반으로 하며, 이 설계는 계정 간 소스 데이터 복사를 피합니다.

이 게시물은 아키텍처와 보안 경계를 설명한 다음, 코드 기반 Strands 에이전트와 선언적 AgentCore 하네스라는 두 가지 오케스트레이션 모델을 다룹니다.

중요성

이 접근 방식은 데이터를 한 계정에 유지하면서 다른 계정의 에이전트가 이를 사용할 수 있도록 해야 하는 조직을 지원하며, 데이터 거버넌스를 간소화하고 중복을 줄일 수 있습니다.

두 가지 오케스트레이션 모델을 제시함으로써 팀에 유연성을 제공합니다. 하나는 코드 기반이고 다른 하나는 선언 기반이므로, 빌더는 자신의 워크플로에 맞는 스타일을 선택할 수 있습니다.

주요 사실

한 계정의 Amazon Bedrock AgentCore 에이전트는 다른 계정에 있는 지식 기반에서 답변을 생성할 수 있습니다.

지식 기반은 Amazon Redshift Serverless를 기반으로 합니다.

소스 데이터는 계정 간에 복사되지 않습니다.

게시물은 아키텍처, 보안 경계, 그리고 코드 기반 Strands 에이전트와 선언적 AgentCore 하네스라는 두 가지 오케스트레이션 모델을 다룹니다.

다음에 주목할 점

보안 경계가 어떻게 구성되는지에 대한 추가 세부 정보는 계정 간 권한과 데이터 액세스가 어떻게 적용되는지 명확히 하는 데 도움이 될 수 있습니다.

다양한 사용 사례에 따라 코드 기반 Strands 에이전트와 선언적 AgentCore 하네스 중 언제 선택해야 하는지에 대한 지침이 있으면 유용할 수 있습니다.

출처

• AWS Machine Learning

무슨 일이 있었나

메타 출신 과학자들로 구성된 그룹이 산업 환경을 겨냥한 AI 제품인 Perceptron을 출시했다.

Perceptron은 자사의 모델이 심층 시각 지능을 제공하면서 기계가 세상을 탐색할 수 있도록 돕는다고 밝혔다.

이번 계획은 공장 현장에 시각 AI 역량을 도입하는 데 초점을 맞추고 있다.

왜 중요한가

공장 현장은 기계가 주변을 빠르고 정확하게 해석해야 하는 복잡하고 역동적인 공간이다. 탐색과 시각 지능을 결합한 모델은 그러한 과제에 잘 맞을 수 있다.

이번 노력은 주요 기술 기업의 AI 전문성이 산업 응용 분야로 흘러들어가 자동화와 스마트 제조를 잠재적으로 가속화하고 있음을 보여준다.

주요 사실

Perceptron은 메타 출신 과학자들이 이끌고 있다.

이 회사는 시각 지능을 위해 설계된 AI 모델을 제공한다.

이 모델의 명시된 목적은 기계가 세상을 탐색하도록 돕는 것이며, 공장 현장에 적용될 수 있다.

향후 주목할 점

Perceptron의 모델이 실제 공장 환경에서 신뢰할 수 있음을 입증하는지 여부.

회사가 기존 산업 자동화 도구와 자사의 시각 AI 접근 방식을 어떻게 차별화하는지.

기계 인식과 탐색을 개선하려는 제조업체들의 잠재적 도입.

출처

• TechCrunch

무슨 일이 있었나

빌 게이츠가 인공지능의 부정적 영향을 제한하기 위해 두 가지 정책 아이디어를 제시했다: 로봇에 세금을 부과하는 방안과 '인간 전용'으로 지정된 직업 범주를 만드는 방안이다.

테크크런치에 따르면 게이츠는 대체로 책임 있는 AI 운동과 입장을 같이하지만, 이 특정 제안들은 이전에 일반적인 논의에 포함되지 않았던 아이디어로 두드러진다.

왜 중요한가

이 제안들은 AI가 노동력을 재편함에 따라 저명한 기술 인사들 사이에서 구조적 개입을 고려하려는 의지를 보여준다. 로봇세는 기업이 자동화와 인간 노동 사이에서 결정하는 방식에 영향을 미칠 수 있으며, '인간 전용' 직업은 특정 역할이 기계에 의해 대체되는 것을 명시적으로 보호할 것이다.

주요 사실

빌 게이츠는 AI로 인한 피해를 완화하기 위한 방법으로 로봇세 도입을 원한다.

빌 게이츠는 '인간 전용' 직업의 창설을 지지한다.

테크크런치에 따르면 게이츠는 대체로 책임 있는 AI 진영에 속한다.

출처는 게이츠의 아이디어 중 일부가 이전에 들어 본 적 없는 것이라고 설명한다.

앞으로 지켜볼 점

정책 입안자나 다른 업계 지도자들이 이러한 개념을 채택하거나 구체적인 제안으로 발전시킬지 주목하라.

로봇세나 '인간 전용' 직업이 실제로 어떻게 시행될 수 있는지에 대한 게이츠의 추가 설명을 주목하라.

출처

• TechCrunch

무슨 일이 있었나

Tata Communications에 따르면, 기업들은 메시징, 음성, 디지털 채널 전반에 AI 에이전트, 음성 AI, 자동화를 기반 아키텍처가 감당할 수 있는 속도보다 빠르게 도입하고 있다.

Tata Communications의 Customer Interaction Suite 글로벌 책임자인 Gaurav Anand는 대부분의 조직이 이를 위해 설계된 적이 없는 레거시 시스템에 대화형 AI를 붙였고, 그 결과 상담원들이 서로 단절된 도구들 사이에서 컨텍스트를 조각조각 맞춰야 한다고 말한다.

Anand는 진짜 문제는 데이터 접근이 아니라 고객 ID, 상호작용, 거래, 정책, 여정, 운영 시스템을 공통된 이해로 연결하는 공유된 기업 컨텍스트의 부재라고 주장한다.

왜 중요한가

전통적인 CX 아키텍처는 자율 AI 시스템, 데이터 레이크, 인간 직원 간의 실시간 데이터 흐름을 조정하기 위한 것이 아니라 선형적이고 사람이 주도하는 라우팅을 위해 설계되었다. 이러한 불일치는 결국 고객이 체감하는 마찰을 만든다.

전략적 우선순위는 자동화에서 오케스트레이션으로 옮겨가고 있다. 자동화는 개별 작업을 해결하는 반면, 오케스트레이션은 이를 엔드투엔드 성과로 연결한다. 이러한 관점에서 경쟁 우위는 이제 시스템이 작업을 얼마나 지능적으로 인계하고, 협업하고, 에스컬레이션하는지에서 나온다.

기존 시스템 앞에 음성 AI 에이전트를 단순히 배치하는 것만으로도 AI가 대체하려 했던 딱딱한 전화 메뉴를 재현할 수 있다. 업계 전반에서는 통합이 진행 중이며, 기존 컨택센터 제공업체들이 역량 격차를 메우기 위해 AI 기반 기업들을 인수하고 있다.

주요 사실

Gaurav Anand는 Tata Communications의 Customer Interaction Suite 글로벌 책임자다.

Anand는 대부분의 기업이 레거시 시스템에 대화형 AI를 얹어 놓았다고 말한다.

Tata Communications의 솔루션은 Interaction Fabric으로, AI 에이전트, 채널, 기업 시스템을 실시간으로 조정하면서 컨택센터, 메시징, 협업, AI, 고객 데이터를 통합하는 오케스트레이션 레이어다.

Anand는 다음 진화 단계는 컨텍스트 인지 오케스트레이션(context-aware orchestration)으로, AI 에이전트, 애플리케이션, 인간 직원이 고객, 프로세스, 비즈니스 의도에 대한 공유된 이해를 바탕으로 작동하는 것이라고 말한다.

다음에 주목할 점

기업들이 고립된 AI 배포를 넘어, 단절된 플랫폼 전반에서 고객 데이터, 제품, 정책, SOP, 거래, 워크플로를 정렬하는 공통 기업 온톨로지를 구축할지 여부.

컨택센터 제공업체와 AI 기반 기업 간 인수합병 물결이 고객 경험 시장을 어떻게 재편하는지, 그리고 Interaction Fabric과 같은 오케스트레이션 레이어가 주목을 받을지 여부.

출처

• VentureBeat

무슨 일이 있었나

Z.ai는 벤치마크와 리더보드에서 최상위를 차지해 온 오픈 모델 Ox Alpha를 만든 AI 연구소가 자신들이라고 확인했다.

이 모델은 이전까지 출처가 불분명한 채 미스터리에 둘러싸여 있었으며, 이번 Z.ai의 발표 전까지는 그 기원이 명확하지 않았다.

이 연구소는 모델의 가중치가 곧 공개되어 커뮤니티에 공개적으로 제공될 예정이라고 밝혔다.

왜 중요한가

이번 확인으로 AI 커뮤니티는 선도적인 오픈 모델을 누가 만들었는지 명확히 알게 되었으며, 이로 인해 관심이 Z.ai의 접근 방식과 로드맵으로 쏠릴 수 있다.

곧 가중치를 공개하면 연구자와 개발자들은 공개 평가에서 경쟁 모델들을 앞서온 이 모델을 검사하고 미세 조정하며 배포할 수 있게 된다.

이번 조치는 오픈 가중치 연구소들 간의 경쟁을 심화시키고, 고성능 AI 시스템의 투명성 기준을 높일 수 있다.

주요 사실

Z.ai는 Ox Alpha 모델을 만든 연구소다.

Ox Alpha는 벤치마크와 리더보드에서 최상위를 차지하는 오픈 AI 모델이다.

이 모델의 가중치는 곧 공개될 예정이다.

다음 주목 사항

Ox Alpha 가중치의 실제 공개와 커뮤니티가 이 모델을 어떻게 받아들이고 활용하는지.

가중치가 공개된 후 Ox Alpha의 강력한 벤치마크 성능이 더 폭넓은 검증에서도 유지되는지 여부.

출처

• TechCrunch

무슨 일이 있었나

로봇용 인공지능을 개발하는 개발자들이 AI 능력의 초기 제한 단계를 벗어나고 있다고 TechCrunch의 새 보고서가 전했다.

이 보고서는 로봇 하드웨어는 발전했지만 이들 기계를 구동하는 소프트웨어는 여전히 성숙하는 중이어서 물리적 준비 상태와 지능적 제어 사이에 격차가 남아 있다고 시사한다.

왜 중요한가

GPT-2와의 비교는 로봇 AI가 아직 갈 길이 얼마나 먼지를 강조한다. GPT-2는 초기 언어 모델이었으므로, 그 함의는 로봇 지능이 이제서야 진짜 잠재력을 보여주기 시작했다는 것이다.

로봇 몸체가 두뇌를 앞지르고 있다면, 다음 진전의 물결은 기계적 개선보다는 알고리즘과 훈련 방법에 더 크게 달려 있을 것이다.

이 격차를 좁히면 로봇이 단순히 좁게 프로그램된 기능만 수행하는 대신 복잡한 실제 세계 작업을 처리할 수 있게 될 수 있다.

주요 사실

로봇 두뇌 개발자들은 GPT-2 시대를 벗어나고 있다.

로봇 몸체는 AI 두뇌가 따라잡기를 기다리고 있다.

이 보고서는 2026년 8월 26일 TechCrunch에 게재되었다.

다음에 주목할 점

범용 AI를 개조하는 대신 로봇 공학에 특별히 설계된 AI 모델에 더 많은 관심이 쏠릴 것으로 예상된다.

로봇 두뇌가 물리적 상호작용으로부터 학습하는 방식의 돌파구를 주목하라. 이는 하드웨어와 지능 사이의 격차를 줄일 수 있다.

출처

• TechCrunch

무슨 일이 있었나

Google Cloud는 조직이 프로젝트 수준의 AI 지출을 추적하고 토큰 쇼크를 방지할 수 있도록 Gemini Enterprise용 새로운 FinOps 제어 기능을 발표했습니다.

또한 예약 용량, 자동화된 장애 조치 계획, Google Kubernetes Engine을 통한 오케스트레이션을 포함한 동적 용량 관리 모범 사례를 자세히 설명했습니다.

이 지침은 예측 가능한 수요를 위한 리소스 예약과 예상치 못한 수요 급증을 처리하는 자동화를 결합하는 것을 강조합니다.

왜 중요한가

에이전트 워크로드는 리소스를 많이 사용하고 수요가 급증하는 특성이 있으므로 정적 인프라로는 확장 병목이나 컴퓨팅 과소 활용이 빠르게 발생할 수 있습니다.

현재 인프라로 에이전트 배포를 처리할 수 있다고 확신하는 IT 리더는 17%에 불과하며, 동적 용량 관리는 기업 도입에 필수 요소가 되고 있습니다.

하드웨어만으로는 충분하지 않기 때문에 팀은 인프라 투자에서 더 많은 가치를 얻기 위한 스케줄링 및 자동화 전략이 필요합니다.

핵심 사실

90%의 기업이 향후 3년 내에 에이전트를 배포하기를 원합니다.

Dynamic Workload Scheduler는 예정된 이벤트를 위한 캘린더 모드와 시작 시간이 유연한 배치 작업을 위한 flex-start 모드를 제공합니다.

관리형 인스턴스 그룹은 서비스 연속성을 위해 자동화된 우선순위별 하드웨어 대체 목록을 지원합니다.

Google Kubernetes Engine은 Custom ComputeClasses와 동적 리소스 할당을 사용하여 에이전트 네이티브 환경을 제공합니다.

다음에 주목할 점

조직이 AI 지출을 관리하고 토큰 쇼크를 없애기 위해 노력함에 따라 Gemini Enterprise용 새로운 FinOps 제어 기능의 채택이 주목됩니다.

기업이 에이전트 배포 확장에 따라 성능을 유지하기 위해 사전 예약 용량과 적응형 자동화를 결합할지 여부가 관건입니다.

출처

• Google Cloud

무슨 일이 있었나

Google Cloud는 Gemini Enterprise와 Google Antigravity, Android Studio를 포함한 개발자 도구 전반에서 에이전트 워크로드를 위한 확장된 결제 유연성과 새로운 비용 관리 도구를 발표했다.

이번 업데이트는 Gemini Enterprise 앱에 종량제 옵션, 풀링형 일일 할당량, Flexible Savings Plans, 월간 지출 상한선을 도입하며, 일부 고객에게는 Antigravity 및 Android Studio AI 사용을 기존 Gemini Enterprise 구독에 포함시킨다.

중요한 이유

AI 에이전트가 더 복잡한 작업을 수행하게 되면서, 조직은 꾸준한 비즈니스 생산성과 폭발적인 개발자 워크로드 사이에서 변동하는 사용 패턴에 맞춰 재무 운영을 유지해야 한다. 새로운 옵션을 통해 팀은 예측 가능한 구독과 사용량 기반 가격을 혼합할 수 있다.

라이선스와 결제를 단일 보기로 통합하고 사전 예방적 제어 기능을 추가함으로써, 리더는 가시성을 잃거나 예상치 못한 급증에 예산을 노출하지 않으면서 개발자에게 더 큰 유연성을 부여할 수 있다.

주요 사실

Gemini Enterprise 앱의 새로운 종량제 버전은 소비한 컴퓨팅과 토큰에 대해서만 비용을 청구하며, 선불 약정이나 기본 구독료가 없다.

Flexible Savings Plans를 통해 고객은 월간 지출을 약정하고 토큰 비용의 10–20% 할인을 받을 수 있으며, 최소치나 최대치가 없다.

곧 제공될 Deferred execution pricing은 적격 워크로드를 비수기 용량 시간대에 실행하여 추론 비용을 최대 절반까지 절감할 수 있다.

다음에 주목할 점

종량제 버전과 Antigravity 포함에 대한 제공 일정은 곧 광범위하게 출시될 예정이므로, 기업은 일반 릴리스 세부 사항을 주목해야 한다.

관리자는 풀링 할당량과 초과 사용 정책을 구성하는 방법을 결정해야 한다. 일일 허용량을 초과하는 사용을 허용할지 여부에 대한 제어가 핵심 선택이기 때문이다.

출처

• Google Cloud

무슨 일이 있었나

QueryStory는 스텔스 모드로 운영된 후 공식 출시했다.

이 스타트업은 사업을 지원하기 위해 $6 million의 시드 투자를 확보했다.

계획은 대규모 언어 모델과 사이버보안 전문성을 결합해 AI 쿼리의 일관성을 개선하는 것이다.

왜 중요한가

회사가 밝힌 목표는 사람들이 AI가 전하는 정보를 믿게 만드는 것이며, 이는 AI가 생성한 정보에 대한 신뢰라는 더 큰 문제를 가리킨다.

사이버보안 노하우를 적용함으로써, QueryStory는 AI 상호작용의 유창성뿐만 아니라 신뢰성과 무결성을 겨냥하고 있을 수 있다.

주요 사실

QueryStory가 스텔스 모드를 벗어났다.

회사는 $6 million의 시드 투자를 유치했다.

AI 쿼리를 일관성 있게 만들기 위해 LLM과 사이버보안 지식을 사용할 계획이다.

다음에 주목할 점

QueryStory가 시드 투자를 AI 일관성을 의미 있게 개선하는 제품으로 전환할 수 있을지.

사이버보안 관점이 혼잡한 AI 스타트업 시장에서 자사의 접근 방식을 어떻게 차별화할지.

출처

• TechCrunch

무슨 일이 있었나

Arga Labs는 General Catalyst가 주도한 시드 펀딩에서 $10 million을 유치했다고 발표했다.

이번 라운드에는 Box Group, Emergence, Gradient, SV Angel도 참여했다.

이 회사는 기업용 AI 에이전트 훈련을 위한 더 나은 접근 방식을 개발하는 데 주력하고 있다.

왜 중요한가

기업들이 더 많은 AI 에이전트를 배포함에 따라, 이들을 효과적으로 훈련하는 능력은 중요한 병목 지점이 되고 있다. Arga Labs는 이러한 과제를 직접 해결하기 위해 자리매김하고 있다.

저명한 투자자들의 참여는 일반 모델만이 아닌 기업 AI 인프라를 위한 전문화된 도구에 대한 신뢰가 커지고 있음을 보여준다.

주요 사실

Arga Labs는 시드 펀딩 라운드에서 $10 million을 유치했다.

General Catalyst가 시드 라운드를 주도했다.

Box Group, Emergence, Gradient, SV Angel이 이번 라운드에 참여했다.

Arga Labs는 기업용 AI 에이전트를 위한 훈련 방법을 구축하고 있다.

다음에 주목할 점

Arga Labs가 빠르게 혼잡해지는 AI 인프라 시장에서 자사의 훈련 접근 방식을 차별화할 수 있을지 여부.

이 회사가 이번 시드 자본을 어떻게 활용하여 기업 고객을 위한 플랫폼을 개발하고 상용화할지.

출처

• TechCrunch

어떤 변화가 있었나

GitHub는 엔터프라이즈 소유자가 GitHub Apps에 엔터프라이즈 청구 데이터 접근 권한을 부여할 수 있도록 하는 변경 사항을 출시했습니다.

이제 GitHub App을 생성하거나 구성할 때 소유자는 엔터프라이즈 청구 권한을 선택하고 관련 설정을 지정할 수 있습니다.

이를 통해 승인된 앱은 소유자가 허용한 범위 내에서 엔터프라이즈 내부의 청구 정보를 처리할 수 있습니다.

왜 중요한가

새 권한은 GitHub Apps가 엔터프라이즈 내에서 수행할 수 있는 작업을 확장하여 청구 데이터에 의존하는 맞춤형 통합의 가능성을 열어줍니다.

이를 통해 기업은 수동 내보내기나 별도 도구에 의존하는 대신 앱이 청구 정보를 가져올 수 있는 공식적이고 통제된 방법을 얻을 수 있습니다.

접근 권한은 소유자의 명시적 부여가 필요하므로 민감한 재무 데이터에 대한 감독이 유지됩니다.

핵심 사실

GitHub Apps는 이제 엔터프라이즈 청구 데이터에 접근할 수 있습니다.

엔터프라이즈 소유자는 GitHub App을 생성하거나 구성할 때 이 접근 권한을 부여할 수 있습니다.

엔터프라이즈 청구 권한은 GitHub Apps를 위한 새로운 선택 가능한 옵션입니다.

다음에 주목할 점

개발자들은 보고, 예산 편성, 또는 리소스 추적을 위해 엔터프라이즈 청구 데이터를 사용하는 앱을 만들기 시작할 수 있습니다.

기업은 어떤 앱에 이 새 권한을 부여할지, 그리고 관련 보안 위험을 어떻게 관리할지 결정해야 합니다.

GitHub는 향후 업데이트에서 다른 엔터프라이즈 수준 데이터에 대해서도 유사한 권한을 확장할 수 있습니다.

출처

• GitHub Changelog

어떤 일이 있었나

TechCrunch에 따르면, 청각 기술 스타트업 Legato가 $12 million의 투자 유치와 함께 스텔스 모드를 벗어났다.

이 회사는 자사의 특허 받은 청각 보조 기술을 안경테 다리에 통합한 AI 청각 안경인 Legato Frames를 처음으로 공개했다.

왜 중요한가

이번 움직임은 보조 오디오 기술을 일상적인 액세서리에 내장하는 추세가 커지고 있음을 보여주며, 잠재적으로 청각 지원을 더욱 눈에 띄지 않게 하고 접근성을 높일 수 있다.

귀 뒤가 아닌 안경다리에 기술을 배치한 것은 의료적 기능을 익숙하고 패션 지향적인 형태와 융합하려는 의도를 시사할 수 있다.

주요 사실

Legato는 $12 million을 유치했다.

이 회사는 스텔스 모드를 벗어났다.

회사의 제품인 Legato Frames는 안경테 다리에 특허 받은 청각 보조 기술을 포함한 AI 청각 안경이다.

다음에 주목할 점

이번 발표는 AI 구성 요소가 어떻게 작동하는지에 대한 구체적인 내용을 거의 제공하지 않으므로, Legato Frames의 기능과 사용자 경험에 대한 더 자세한 정보가 나올 것으로 예상된다.

Legato Frames가 언제 출시될지, 그리고 전통적인 보청기에 비해 어떻게 가격이 책정되거나 유통될지는 지켜봐야 한다.

출처

• TechCrunch

무슨 일이 있었나

IBM은 LLM을 로컬에서 실행하려는 관심이 커지는 흐름을 활용하기 위해 새로운 Granite 4.2 언어 모델 제품군을 공개했다.

이 회사는 기업 환경을 위한 에이전트 기능과 예측 가능한 배포를 강조하고 있다.

왜 중요한가

로컬 LLM은 클라우드 기반 모델보다 더 많은 통제권, 프라이버시, 또는 낮은 지연 시간을 원하는 조직에 점점 더 매력적으로 다가가고 있다. IBM의 이번 행보는 그러한 변화에 대한 베팅을 의미한다.

IBM이 에이전트 동작과 예측 가능한 배포에 초점을 맞춘 것은 단순한 원시 모델 성능보다는 안정성과 거버넌스를 필요로 하는 기업을 겨냥한 것으로 보인다.

주요 사실

새 모델의 이름은 Granite 4.2다.

이 모델들은 로컬 LLM 사용 사례를 지원하도록 설계되었다.

IBM의 초점은 에이전트 역량과 예측 가능한 엔터프라이즈 배포에 있다.

다음에 주목할 점

Granite 4.2 모델이 다른 로컬 및 클라우드 기반 LLM과 비교해 에이전트 워크플로에서 얼마나 잘 작동하는지.

로컬 LLM 채택이 늘어남에 따라 IBM의 엔터프라이즈 중심 접근 방식이 차별화에 도움이 될지.

출처

• Ars Technica